Supongamos que quiere estimar alguna cantidad de interés. En el ejemplo de Joel, "fecha de envío" es lo que desea estimar. En la mayoría de estas situaciones, existen factores aleatorios que afectan nuestras estimaciones.
Cuando tiene una cantidad aleatoria, normalmente quiere saber su media y la desviación estándar para que pueda tomar las medidas adecuadas. En situaciones simples, puede modelar la cantidad como una distribución estándar (por ejemplo, distribución normal) para la que existen fórmulas analíticas para la media y la desviación estándar. Sin embargo, existen muchas situaciones donde las fórmulas analíticas no existen. En tales situaciones, en lugar de una solución analítica para la media y la desviación estándar, recurrimos a la simulación. La idea es:
Paso 1: Generar los factores que influyen en la cantidad de interés utilizando distribuciones apropiadas
Paso 2: cantidad Compute de interés
Repita los pasos 1 y 2 muchas veces y calcular la media empírica y desviación estándar para lo que quieres saber.
Lo anterior es, con mucho, la aplicación típica de la aplicación monte carlo. Vea el enlace de wikipedia proporcionado por Jarrod para varias de estas aplicaciones y algunos ejemplos de aplicaciones interesantes donde no hay aleatoriedad inherente (por ejemplo, estimación de pi).
¿Qué quiere decir con 'procesar metódicamente' los datos del usuario? muestras aleatorias es una forma bastante básica de sumar curvas de campana, ¿cómo lo harías? – amwinter
¿No podría procesar todos los datos disponibles y presentar las mismas estadísticas diciendo que "el 75% de los datos es mayor que X, el 50% de los datos es mayor que Y, y el 25% de los datos es mayor que Z"? – Gili